ChatGPT로 번역...

안녕하세요, 2분기 실적 발표에 참석해 주셔서 감사합니다. 오늘 저는 생성형 AI와 대형 언어 모델(LLM)이 산업 전반에 걸쳐 일으키는 지각 변동에 대해 이야기하고자 합니다. AI는 이번 10년의 중대한 발전을 대표하며, 혁신의 다음 S-커브를 찾는 산업부터 수익 감소에 직면한 산업까지 모든 산업을 변화시킬 준비가 되어 있습니다.

사실, 오늘날의 전기차(EV) 배터리 시장은 3년 전이나 심지어 1년 전과도 완전히 다릅니다. 기존 배터리 업체들이 이제 글로벌 시장을 지배하고 있습니다. 차세대 배터리 회사들은 관련성을 유지하기 위해 완전히 다른 것을 제공해야 합니다. 우리는 그들의 조건에서 경쟁할 수 없습니다.

이전에 우리는 기존 EV 작업 외에도 도심 항공 모빌리티(UAM) 및 드론을 포함한 항공 모빌리티 시장에 진입한다고 발표했습니다. 차세대 배터리가 기존 배터리와 경쟁하려면 상업적 규모에서 품질, 안전성, 미래 소재 개발의 세 가지 장애물을 극복해야 합니다. 전통적인 인간 기반 접근 방식은 너무 오래 걸립니다. 그래서 차세대 배터리 기술 도입이 항상 매우 느렸습니다.

우리는 리튬 메탈 분야의 세계적인 리더입니다. 우리는 글로벌 자동차 제조업체와 함께 자동차 A-샘플 및 B-샘플 공동 개발 계약을 체결한 세계 최초의 회사입니다. 우리는 소재 및 제조 분야에서 매우 흥미로운 역량을 개발했습니다. 우리는 설계, 기술 개발, 제조 및 애프터마켓 지원을 포함한 운영에 AI를 전략적으로 통합했습니다.

리튬 메탈에 AI를 도입한 이후, 우리는 AI의 가치가 비즈니스 모델을 근본적으로 재구성할 때 실현된다는 것을 깨달았습니다. 플랫폼 구축 마인드셋을 가진 주제별 접근 방식을 채택함으로써 내부 및 외부 가치를 창출하는 것을 목표로 하고 있습니다. 우리는 이를 달성하기 위해 열심히 노력했으며, 우리의 이니셔티브의 초기 결과를 공유하게 되어 기쁩니다.

오늘 우리는 패러다임 전환을 소개합니다. 우리의 AI 솔루션은 모든 차세대 배터리 기술의 상업화를 가속화할 것입니다. 리튬 메탈은 이 새로운 접근 방식의 최전선에 있습니다. 그러나 우리의 AI는 궁극적으로 어떤 배터리 기술에도 구애받지 않을 것입니다.

EV 부문부터 시작하겠습니다. 지난 분기, 우리는 현대자동차와의 B-샘플 공동 개발 파트너십을 발표하여 한국 의왕에 있는 전기화 센터 내에 라인을 구축하기로 했습니다. 이 라인의 완공 목표를 올해 4분기로 설정했으며, 이는 글로벌 최대 용량의 리튬 메탈 라인 중 하나가 될 것입니다. 이 라인은 50암페어에서 100암페어의 대형 자동차 리튬 메탈 B-샘플 셀을 제조할 것입니다. 우리는 2025년 EV-C 샘플 도달 및 2026년 양산 시작을 목표로 자동차 OEM과 계속 협력하고 있습니다.

UAM 및 드론 부문에서는 강한 수요를 계속 보고 있습니다. UAM의 경우, 우리는 이전 EV-A 샘플 라인을 한국과 상하이에서 UAM 라인으로 전환하고 있습니다. 한국 UAM 라인은 8월에 현장 수락 테스트(FAT)를 완료하고, 9월에 현장 수락 테스트(SAT)를 완료하며, 9월에 셀 생산을 시작할 것으로 예상됩니다. 상하이 UAM 라인은 9월에 FAT와 SAT를 모두 완료하고 10월에 셀 생산을 시작할 것으로 예상됩니다.

두 UAM 라인은 20암페어에서 30암페어의 중형 리튬 메탈 셀 및 모듈을 제조할 것입니다. 우리는 항공 인증을 위한 엄격한 안전 테스트를 기반으로 이러한 리튬 메탈 모듈을 테스트하는 데 큰 진전을 이루고 있습니다. 우리는 이미 주요 UAM OEM과 몇 가지 셀 테스트 계약을 체결했으며, 올해 말에 몇 가지 더 체결할 것으로 예상됩니다.

드론의 경우, 산업 및 방위 고객 모두에서 수요가 증가하고 있습니다. 특히 소형 군집 드론에 대한 수요가 증가하고 있습니다. 드론 시장은 2023년에 280억 달러로 추정되며, 이는 Consegic Intelligence에 따르면 2023년 AR/VR 고글의 추정 시장 규모인 160억 달러의 약 1.8배입니다. 우리는 이미 소형 셀 라인을 4암페어에서 6암페어의 소형 리튬 메탈 셀 및 모듈을 제조하도록 전환했습니다.

이제 우리의 AI 솔루션에 대해 이야기하겠습니다. 우리는 세 가지 AI 솔루션을 보유하고 있습니다; 제조용 AI, 안전용 AI, 과학용 AI. 첫째, 제조용 AI입니다. 셀 설계 및 공정 최적화와 제조 품질 향상을 위한 전통적인 접근 방식은 인간의 경험을 통해 이루어지며, 인간 엔지니어가 품질 사양을 정의하고 최적화하는 데 최소 8년이 걸립니다.

배터리 제조는 특히 좋은 것과 최고의 것 사이에서 과학보다는 예술에 가깝습니다. 이 인간 기반 접근 방식은 과거에는 잘 작동했으며, 오늘날 성숙한 리튬 이온 셀 기술에도 잘 작동하지만, 차세대 배터리 기술의 대규모 상업화를 늦춥니다. 우리는 제조용 AI가 이 타임라인을 10배 가속화할 수 있다고 믿습니다. 이는 수집된 제조 공정 데이터를 기반으로 품질 사양을 정의하고 미세 조정하는 머신 러닝을 사용하며, 이는 인간 엔지니어보다 훨씬 빠르고 정확합니다.

우리의 EV-B 샘플, UAM 및 드론 라인은 세계에서 가장 큰 리튬 메탈 셀 제조 데이터를 생성합니다. 우리는 라인당 월 1,000개 이상의 셀을 생산하며, 이는 계속 증가하고 있습니다. 셀당 1,000개 이상의 품질 검사 지점이 있으며, 이는 계속 증가하고 있습니다. 여기에는 CT, X-ray, 초음파 및 비전과 같은 시간 시리즈 데이터 및 이미지가 포함됩니다. 수천 개의 공정 단계가 있으며, 개별 및 그룹 관계가 복잡합니다. 우리의 제조용 AI 모델은 이미 15,000개 이상의 리튬 메탈 셀에 대해 사전 훈련되었습니다.

우리는 EV-B 샘플에서 UAM, 소형 드론에 이르기까지 모든 작업 중인 메탈 라인에 제조용 AI를 설치하게 되어 매우 기쁩니다. 이는 개별 단계 품질 분석 및 그룹 단계 관계 분석을 매우 상세하고 정확하게 제공할 것으로 예상됩니다. 이는 제조 품질 최적화를 더욱 가속화하여 EV-C 샘플 및 대규모 UAM 및 드론 제조를 준비할 것입니다.

제조용 AI 개발 외에도 우리는 대형 기술 회사와 협력하여 반도체 산업의 최신 제조용 AI 접근 방식을 통합할 계획입니다. 우리는 2025년 EV-C 샘플 도달 및 2026년 양산 시작을 목표로 자동차 OEM과 계속 협력하고 있습니다. 이 제조용 AI 기능은 다른 OEM 및 대형 배터리 제조 파트너에게 엄청난 가치를 제공할 수 있습니다.

둘째, 안전용 AI입니다. 전통적인 차량 배터리 상태 모니터링 및 안전 예측은 인간이 결정한 경계 조건 세트, 물리 기반 모델을 기반으로 합니다. 여기에는 예를 들어, 상태 건강(SOH), 상태 충전(SOC), 용량, 전압, 온도, 전류, 시간 등이 포함됩니다. 경계 조건은 인간에 의해 잘 이해되지만, 실제로 배터리의 남은 유효 수명 및 사고를 예측하기에는 충분하지 않습니다.

AI는 최고의 인간 엔지니어보다 이상을 감지하는 데 훨씬 더 정확하고 강력합니다. 안전용 AI에서는 인간이 개발한 경계 조건에만 의존하는 대신, 다양한 임무 프로파일에서 15,000개 이상의 리튬 메탈 셀의 셀 사이클링 데이터를 사용하여 LLM을 사전 훈련했습니다. 여기에는 리튬 메탈 모듈을 사용하는 드론의 100시간 이상의 실제 비행 시간이 포함됩니다.

흥미롭게도, LLM은 이상을 감지하고 조기 경고 신호를 보내는 기능을 훨씬 더 정확하게 식별합니다. 이러한 AI 개발 기능은 놀랍게도 작동하며, 우리는 이러한 모델의 설명 가능성을 개선하기 위해 노력하고 있습니다.

더 많은 차량 배터리 데이터 훈련을 통해, 우리는 안전용 AI가 현장에서 거의 100%의 안전을 보장하는 데 도움이 될 수 있다고 믿습니다. 이는 에너지 밀도가 높은 리튬 메탈 및 모든 차세대 배터리의 핵심 문제인 안전성을 해결합니다.

우리의 OEM 파트너와 협력하면서, 우리의 안전용 AI 모델은 40건 이상의 사고를 100% 예측할 수 있었습니다. 우리의 모델은 사고가 발생하기 10~30 사이클 전에 사고를 예측하고 경고 신호를 보냈습니다. 우리는 예측 정확성을 검증하기 위해 실제 사고가 발생할 때까지 사이클 테스트를 계속합니다. 비교해 보면, 우리의 인간 기반 모델은 사고의 약 80%만 예측할 수 있었습니다.

세 번째는 과학용 AI입니다. 배터리 소재에 대한 인간의 연구 개발은 차세대 배터리 기술의 상업화에서 가장 느린 단계였습니다. 예를 들어, 전 세계 리튬 이온 산업은 30년 동안 1,000개 미만의 고유 분자를 연구했지만, 연구되고 연구되어야 할 고유 분자는 1000억 개, 즉 10의 11제곱 개가 있습니다.

평균적으로 인간 과학자는 새로운 배터리 소재를 도입하는 데 10년이 걸립니다. 우리는 과학용 AI가 이를 1년 만에 할 수 있다고 믿습니다. 제조 및 안전용 AI가 라인과 차량에서 실제 데이터를 수집하는 것과 달리, 과학용 AI는 현재 존재하지 않는 방대한 분자 특성 데이터베이스가 필요합니다. 이 특성 데이터베이스를 합성하려면 막대한 컴퓨팅 파워가 필요합니다.

최근 우리는 작은 분자의 특성을 매핑하기 위해 보조 및 무료 컴퓨팅 자원을 크라우드소싱하는 것을 목표로 하는 Molecular Universe라는 새로운 이니셔티브를 시작했습니다. 여러 대학, 국립 연구소 및 대형 기술 회사가 이 이니셔티브에 참여했으며, 우리는 이미 약 10의 6제곱 개의 분자를 매핑했습니다.

더 많은 GPU를 통해, 우리는 AI 모델 훈련이 충분한 정확도에 도달할 수 있는 충분히 큰 분자 우주를 매핑할 것으로 기대합니다. 이 지도가 완성되면, 우리는 어떤 배터리 문제에 대해서도 소재 발견을 가속화할 수 있습니다. 여기에는 EV, UAM 및 드론용 리튬 메탈뿐만 아니라 소비자 전자 제품, 전동 공구, 자동차 및 기타 응용 분야용 리튬 이온 배터리가 포함됩니다.

이들 대부분의 분자는 완전히 새롭고 상업적으로 이용할 수 없습니다. 그래서 우리는 올해 4월부터 운영 중인 Electrolyte Foundry를 설립했습니다. 이 Electrolyte Foundry는 세계 최고의 유기 합성 화학자들을 고용하고 있습니다. 이제 우리는 분자 매핑에서 새로운 분자를 위한 생성형 AI 모델, 분자 합성 및 정제, 고속 전해질 조성 스크리닝, 소형 및 대형 셀 테스트까지 완전한 능력을 갖추고 있습니다. 배터리 산업에서 이러한 완전한 능력을 가진 곳은 없습니다.

그렇다면 이 모든 것을 어떻게 수익화할까요? 이 세 가지 AI 솔루션은 우리가 기대하는 흥미롭고 예상보다 빠른 수익 흐름과 전기 운송의 미래를 나타냅니다.

제조 및 안전용 AI에서 현장에서 거의 100%의 안전을 보장하려면 제조 품질과 차량 안전 데이터를 통합해야 합니다. 여기서 SES AI가 등장합니다. 우리의 EV, UAM 및 드론용 리튬 메탈 셀은 제조 및 안전 데이터를 통합하여 거의 100%의 안전을 보장하는 첫 번째 사례가 될 것입니다. 우리는 또한 모델 훈련을 위해 차세대 리튬 이온 및 리튬 메탈 배터리의 동료들과 협력하여 제조 및 안전 데이터를 통합하고 있습니다. 데이터가 클수록 모델이 더 정확해집니다.

가격 구조는 전체 보증 기간 동안 유효한 프리미엄으로 구성될 수 있습니다. 이러한 OEM에게 사건 예측은 비용이 많이 드는 리콜을 방지할 수 있으며, 더 정확한 남은 유효 수명 예측은 배터리 수명을 연장하는 데 도움이 될 수 있습니다.

과학용 AI에서 SES AI는 가장 강력한 배터리 전해질 개발 능력을 보유하고 있습니다. 많은 배터리 회사와 OEM은 좋은 전해질 소재를 개발할 자원이 없습니다. 우리는 인소싱 지능을 통해 그들의 문제를 해결하는 데 도움을 줄 수 있습니다.

우리는 인간 과학자가 세운 리튬 메탈 전해질 쿨롱 효율 기록을 깨는 것을 목표로 시작할 것입니다. 그런 다음 자동차에서 소비자 전자 제품, 그리드 저장소 및 기타 많은 응용 분야로 확장하여 리튬 이온 응용 프로그램으로 확장할 것입니다.

과학용 AI 비즈니스 모델의 이러한 유형의 인소싱 지능은 훨씬 더 높은 이익률을 누리는 제약 산업에서 유사점을 찾을 수 있습니다. 가격 구조는 개발 비용과 반복 라이선스 로열티를 기반으로 할 수 있습니다. 우리는 이를 리튬 메탈 소재 발견에 적용해 왔으며, 리튬 이온 소재 발견에도 적용할 것으로 기대합니다.

그래서 우리는 AI에 전념하고 있습니다. AI는 모든 것을 변화시키고 있습니다. 우리의 제조용 AI, 안전용 AI 및 과학용 AI 모델은 EV, UAM 및 드론용 리튬 메탈의 상업화, 수익 창출 시간 및 수익성을 가속화하고 있습니다. 그러나 이들은 더 넓은 IR 응용 프로그램에도 적용될 수 있습니다.

수많은 산업 사이클을 거치면서, 많은 사람들이 불가능하다고 여기는 기술을 처음부터 개발한 것이 특히 자랑스럽습니다. 세계적인 고객 포트폴리오와의 협업은 우리의 노력을 더욱 입증합니다. 그러나 AI를 우리의 모든 운영 측면에 통합하면서 지금처럼 우리 사업에 대해 더 흥분된 적은 없습니다. 저는 이것이 글로벌 차원에서 변혁적인 변화를 이끌어낼 수 있게 해줄 것이라고 확신합니다. 저는 이 흥미로운 교통, 과학, AI 시대에 살고 있다는 것이 정말 행운이라고 생각합니다.

우리가 제시한 세 가지 AI 솔루션의 비전 외에도, 올해의 최우선 과제는 자본 효율성에 집중하고, 최고의 인재를 유치하며, EV, UAM 및 드론 파트너에게 리튬 메탈 셀을 제공하는 데 진전을 계속 이루고, 배터리 산업의 AI 변혁을 주도하는 것입니다.

SES AI에 대한 지속적인 관심에 감사드립니다. 이제 재무 담당자인 Jing에게 마이크를 넘기겠습니다.

Jing Nealis

감사합니다, Qichao. 오늘 저는 2024년 2분기 재무 결과를 다루고 2024년 전체 운영 및 자본 예산에 대해 논의하겠습니다.

2분기 동안 우리의 GAAP 운영 비용은 2,460만 달러였습니다. 운영에 사용된 현금은 2,210만 달러였습니다. 자본 지출은 370만 달러였습니다. 우리는 2분기를 2억 9,470만 달러의 유동성으로 마감했습니다.

우리는 현금과 지출 관리를 매우 신중하게 계속하고 있기 때문에, 2024년 전체 연도 지침을 업데이트했습니다. 이제 총 현금 사용량이 이전의 1억 1천만 달러에서 1억 3천만 달러에서 1억 달러에서 1억 2천만 달러 범위로 예상됩니다.

이 범위는 운영에서의 현금 사용량이 이전의 9천만 달러에서 1억 달러에서 8천 5백만 달러에서 9천 5백만 달러로, 자본 지출은 이전의 2천만 달러에서 3천만 달러에서 1천 5백만 달러에서 2천 5백만 달러로 구성됩니다. 우리는 강력한 대차대조표가 2027년까지 회사에 유동성을 제공할 것으로 기대합니다.

C-샘플 및 그 이후로, 우리는 OEM 파트너와 함께 용량 구축 자본 지출을 공유할 것으로 기대합니다. UAM/드론 및 우리의 AI 솔루션은 조기 상업화에 잠재적인 상승을 제공할 수 있습니다.

이제 질문을 받기 위해 운영자에게 전화를 돌리겠습니다.

질문 및 답변 세션

운영자

[운영자 지침]. 첫 번째 질문은 William Blair의 Jed Dorsheimer입니다.

Mark Shooter

안녕하세요. 우리는 Jed 대신 Mark Shooter입니다. Qichao, AI에 대한 모든 접근 방식을 정말로 추진하게 된 추가적인 데이터가 무엇인지 듣고 싶습니다. 이 AI 애플리케이션을 백그라운드에서 오랫동안 작업해 온 것을 알고 있습니다. 그러나 이 전략적 변화를 정말로 추진하게 된 추가적인 긍정적인 요소는 무엇이었습니까?

Qichao Hu

안녕하세요, Mark. 정말로, 우리는 이 세 가지 AI를 모두 작업하기 시작했습니다. 안전용 AI는 2017년에 시작했고, 제조용 AI는 A-샘플의 끝, B-샘플의 시작, 즉 A-샘플의 끝 무렵에 시작했습니다. 그리고 이제 B-샘플을 시작하면서.

더 많은 데이터와 제조에서, 우리는 셀당 약 1,000개의 품질 검사 지점에 도달하고, 라인당 월 1,000개의 셀을 얻으면 실제로 매우 유용하다는 것을 발견했습니다. 그리고 새로운 셀 디자인을 만들 때, 인간 엔지니어는 – 그래서 새로운 셀 디자인을 시작합니다.

기본적으로 경험이 없습니다. 어떤 품질 사양을 사용할지 전혀 모릅니다. 그래서 전통적인 프로세스는 정말로 너무 느립니다.

그리고 우리는 AI 모델을 적용하기 시작했습니다. 그리고 먼저, 우리는 모든 데이터를 수집했습니다. 그리고 모델은 실제로 매우 흥미로운 품질 사양을 추천했습니다. 그리고 우리는 작년 말과 올해 초에 이것을 보기 시작했습니다.

그래서 인간 엔지니어가 많은 실험을 시도하고 최적의 전기량이 암페어당 2그램인지, 1그램인지, 또는 양극과 음극 사이의 최적의 간격이 1.5밀리미터인지 알아내는 대신, 실제로 이 AI 모델은 모든 품질 문제를 순위 매길 것입니다. 그리고 예를 들어, Jolly Roll의 핫 프레스 동안의 압력이 천장 온도보다 더 큰 영향을 미친다고 말해줄 것입니다.

그리고 실제로, 이 단계들 사이의 관계를 말해줄 것입니다. 그래서 그것은 충격적이지만 매우 강력한 방식으로. 그래서 전통적인 제조 품질 개선 방식 대신, 이 모델은 정말로 세상 밖의 강력한 것이었습니다.

그리고 여전히 품질 엔지니어를 대체하지 않습니다. 우리는 여전히 대형 리튬 이온 산업에서 좋은 품질 엔지니어를 보유하고 있지만, 인간 엔지니어를 보완하는 데 매우 유용한 도구입니다.

그리고 안전 측면에서. 그래서 우리는 모든 사이클링 데이터, 충전 및 방전을 사용하여 대형 언어 모델을 훈련하기 시작했습니다. 그리고 실제로, 충전 및 방전 곡선을 보면, 그것은 실제로 문장과 매우 유사합니다. 그래서 대형 언어 모델을 훈련합니다.

그리고 – 그래서 우리는 여러 사례를 가지고 있습니다. 그리고 이것은 또한 또 다른 사례입니다. 이제 우리는 B-샘플에 있습니다. 그리고 우리는 UAM 및 드론의 임무 프로파일에 대해 테스트하고 있습니다.

그리고 전통적으로, OEM은 SOC, SOH와 같은 물리 기반 모델을 9개, 때로는 12개 이상 가지고 있으며, 이를 경계 조건으로 설정합니다. 이러한 조건 중 하나라도 트리거되면 경고가 발생합니다. 그러나 그것을 개발하는 데 오랜 시간이 걸립니다. 그 물리 기반 모델 세트는 성숙한 화학 물질에만 작동합니다.

다시 제조를 예로 들어 보겠습니다. 새로운 셀 화학을 도입할 때, 기존 프로세스는 너무 부드럽지만, 기존의 메트릭 세트는 작동하지 않습니다. 제조 품질 사양은 작동하지 않습니다. 물리 기반 모델, 그 경계 조건은 작동하지 않습니다.

그래서 전통적인 프로세스를 계속 사용하면 너무 오래 걸립니다. 그래서 이 대형 언어 모델은 실제로 셀이 170번째 사이클에서 사고가 발생한 사례가 있었습니다. 그리고 다른 물리 기반 모델은 그 전에 아무것도 예측할 수 없었습니다. 그러나 이 하나의 AI 모델, 이 하나의 대형 언어 모델은 실제로 오늘날 설명할 수 없는 기능을 발견했으며, 144번째 사이클에서 경고를 보냈습니다. 약 30 사이클 전에.

그래서 그것은 정말 강력합니다. 그리고 – 그래서 품질 제조와 안전 모두, 새로운 셀 디자인을 도입할 때, 경험이 더 이상 작동하지 않습니다. 기존의 메트릭 세트는 더 이상 작동하지 않습니다. 그래서 AI 모델은 훨씬 더 빨리 개발하는 데 도움이 될 것입니다.

그런 다음 과학용 AI에서, 우리는 실제로 우리의 전기 팀을 확장했습니다. AI 팀과 인간 과학자 팀 모두. 그리고 작년 말부터, 우리의 AI 모델은 실제로 17개의 새로운 분자를 발견할 수 있었습니다. 그리고 우리는 실제로 그 중 세 개를 표준화했으며, 테스트 중입니다. 그리고 지금까지의 성능은 2012년 이후 인간 과학자들이 개발한 분자와 마찬가지로 좋습니다.

그리고 이것은 10의 6제곱을 매핑한 후에만 가능합니다. 10의 8제곱, 10의 11제곱을 매핑하면, 더 나은 것을 찾을 수 있을 것이라고 확신합니다.

그래서 작년 말과 올해 초에 발견한 이 세 가지 신호는 우리에게 확신을 주었습니다. 새로운 배터리 화학을 도입하고, B-샘플, C-샘플에서 대규모로 작업할 때, 품질을 개선하고 안전을 개선하는 데 8년, 10년을 왜 소비합니까? AI를 사용하여 훨씬 더 빨리 할 수 있습니다.

Mark Shooter

좋습니다. Qichao, 모든 설명에 감사드립니다. 우리는 AI가 소프트웨어 엔지니어를 10배 엔지니어로 만들고 있다는 말을 자주 듣지만, 당신은 AI를 적용하여 재료 과학자와 품질 관리 엔지니어를 10배 엔지니어로 만들고 있는 것 같습니다. 그래서 그것을 듣게 되어 기쁩니다.

저는 특히 과학용 AI와 전해질 분야에서 나오는 결과에 관심이 있습니다. 왜냐하면 그 분야는 매우 광범위한 매핑이 필요하기 때문입니다. 저도 동의합니다.

Qichao Hu

네.

Mark Shooter

OEM 파트너에 대한 추가 질문이 있습니다. 죄송합니다. EV OEM 파트너들은 이 제조용 AI와 과학용 AI, 아니, 안전용 AI를 어떻게 보고 있나요? 그들은 이것을 전통적인 리튬 이온 배터리에는 없는 매력적인 보너스로 보고 있나요? 아니면 그들이 익숙하지 않은 새로운 화학 물질의 안전성을 입증하기 위한 필수적인 증거로 보고 있나요?

Qichao Hu

네. 두 가지입니다. 하나는 상업적 규모에서 새로운 배터리 화학을 입증하기 위한 필수적인 접근 방식입니다. 우리는 더 이상 연구 개발에 대해 이야기하는 것이 아닙니다. A-샘플이 아닙니다. 우리는 B-샘플과 C-샘플에 대해 이야기하고 있습니다. 우리는 EV와 UAM을 위한 리튬 메탈 배터리를 장착한 수만 대의 자동차를 실제로 배치하는 것에 대해 진지하게 이야기하고 있습니다.

그래서 이 시점에서 우리는 많은 데이터, 많은 실제 경험, 그리고 AI 모델이 필요합니다. 왜냐하면 이제 우리는 실험실에서의 안전이 아니라 현장에서의 안전에 대해 이야기하고 있기 때문입니다. 그래서 하나는 필수입니다.

두 번째는 많은 자동차 제조업체들이 자체 배터리를 만들고 싶어합니다. 지금까지는 대형 배터리 제조업체들, CATL, LG 등의 손에 권력이 있었습니다. 그래서 자동차 제조업체들이 자신의 운명을 통제하려면 배터리를 빠르게 통제할 필요가 있습니다. 그리고 더 나은 제조 데이터와 차량 성능 데이터를 제어할 수 있는 접근과 통제는 매우 강력합니다. 이는 자동차 제조업체들이 빠르게 속도를 높이고, 대형 배터리 제조업체들과 비교하여 제조 품질과 안전성 측면에서 동일한 수준의 숙련도를 얻을 수 있게 해줍니다.

그래서 이 두 가지는 OEM에게 매우 중요합니다. 그리고 이는 리튬 메탈뿐만 아니라 모든 차세대 리튬 이온에도 해당됩니다.

운영자

[운영자 지침]. 다음 질문은 Water Tower Research의 Shawn Severson입니다.

Shawn Severson

좋습니다. 감사합니다. Qichao, AI의 수익화로 돌아가고 싶습니다. 저는 당신이 가지고 있는 정보로 더 나은 리튬 메탈 배터리를 만들 수 있는 경로가 명확하다고 생각합니다. 그리고 제가 이해하려고 하는 것은 이 모델이 리튬 이온 산업, OEM으로 어떻게 확장되는지입니다. AI의 사용 및 응용에 대해 이야기한 것처럼, 이것이 자체 제조 외부에서 어떻게 수익화되는지 이해하고 싶습니다.

Qichao Hu

네. 일단 AI를 얻으면, 그것은 매우 화학적으로 무관해집니다. 그리고 실제로 제조용 AI와 안전용 AI에서, 우리는 내부에서 15,000개 이상의 리튬 메탈 셀 데이터와 OEM 파트너로부터 얻은 리튬 이온 데이터, 공공 소스에서 얻은 데이터를 사용하여 모델을 훈련합니다. 그리고 이 모델을 훈련하는 데이터의 크기가 클수록, 모델은 더 스마트해집니다.

그래서 제조용 AI는 이것을 적용할 수 있습니다. 예를 들어, 어떤 회사가 차세대 실리콘 리튬 이온 배터리를 상업화하고 싶어한다고 가정해 보겠습니다. 그리고 그것이 포치드, 스택 셀인 경우, 우리는 이 모델을 그 제조 라인에 적용할 수 있습니다. 왜냐하면 그들도 그 셀 디자인, 그 셀 제조 공정에 익숙하지 않기 때문입니다. 그리고 그들도 어떤 품질 사양을 적용해야 할지 모르기 때문에, 우리는 이것을 그들에게 적용할 수 있습니다.

또한, OEM이 실리콘-양극 리튬 이온 셀이나 덜 입증된 리튬 이온 셀을 차량에 장착하고, 건강을 모니터링하고 사건에서 남은 유효 수명을 예측하고 싶다면, 이 대형 언어 모델을 데이터로 훈련하여 사용할 수 있습니다.

Shawn Severson

그래서 그들은 실제로 당신에게서 이것을 라이선스하거나 솔루션을 라이선스하게 될 것입니다. 그들은 AI에 대해 비용을 지불할 것입니다?

Qichao Hu

네. 예를 들어, 참여의 첫 번째 단계에서는 기본적으로 무료입니다. 그들은 우리에게 모델을 미세 조정할 데이터를 제공합니다. 그리고 모델이 미세 조정되면, 우리는 그 모델을 그들에게 라이선스합니다.

그래서 안전용 AI의 경우, 8년 또는 10년 보증 기간 동안 차량당 월별 프리미엄이 될 수 있습니다. 그리고 제조용 AI의 경우, 연간 라인당 요금이 될 수 있습니다.

Shawn Severson

이로부터 나오는 IP를 소유할 것으로 예상하십니까? 특히 과학 분야에서 새로운 조합이나 새로운 화학 물질을 개발하게 되면, 그것들을 소유하고 특허를 내고 라이선스를 부여할 것인가요? 아니면 그것들이 OEM이 솔루션을 위해 사용하고 그들이 소유하게 될 것인가요?

Qichao Hu

네. 모델은 우리가 소유합니다. 그리고 일부 경우에는 모델을 오픈 소스로 만들 수도 있습니다. 그래서 모델이 더 빨리 훈련될 수 있습니다.

그러나 특히 과학용 AI의 경우, 우리가 실제로 – 그래서 분자 우주, 분자 특성 데이터베이스를 오픈 소스로 만들 계획입니다. 그리고 모델의 일부도 오픈 소스로 만들어 다른 사람들이 개발할 수 있게 할 것입니다. 그리고 이 모델은 더 스마트해질 수 있습니다.

그러나 우리가 그 모델을 사용하여 예를 들어, 리튬 메탈에서 높은 경제 효율성을 가지거나 실리콘 리튬 이온의 저온 고속 충전을 개선할 수 있는 새로운 분자를 생성하면, 그 분자, 즉 출력은 당연히 우리의 독점 IP가 될 것입니다. 그것이 마지막이 될 것입니다.

Shawn Severson

감사합니다. 마지막 질문입니다. AI가 능동적이고 반응적일 것인가요? 제 말은, 예를 들어, 문제가 발생하고 있는 상황이 있다고 가정해 보겠습니다. 그런 데이터를 사용하여 문제를 해결할 수 있습니까? 예측 부분도 이해하지만, 배터리 제조업체와 OEM이 경험하는 문제를 사후에 해결할 수 있습니까?

Qichao Hu

네. 제조에서는 확실히 가능합니다. 예를 들어, 우리는 실제로 블라인드 제조를 할 수 있습니다. 즉, 초기 품질 사양 없이 셀을 제조하고 데이터를 수집합니다. 그리고 AI는 모든 데이터를 수집하고 훈련을 받아 품질 사양을 추천할 것입니다. 그리고 실제로 그것을 순위 매길 것입니다.

예를 들어, 특정 단계는 다른 단계보다 품질에 더 큰 영향을 미칠 것입니다. 그리고 – 그래서 예를 들어, 17단계. 그것은 핫 프레스입니다. 품질을 개선하기 위해 압력을 낮춰야 합니다.

네. 그래서 제조용 AI에서는 확실히 블라인드 제조로 시작할 수 있는 지점에 도달할 수 있습니다. 그리고 AI는 어디를 수정해야 하는지 알려줄 것입니다.

차량의 안전용 AI에서는, 목표는 건강을 모니터링하고 예측하는 것입니다. 그러나 실제로 제어하는 것은 아닙니다. 우리가 예측하는 것은 OEM에게 다시 보낼 것입니다. 그리고 OEM이 그 신호로 무엇을 할지는 그들에게 달려 있습니다.